AI LEARNING
原文与实战
语音技术、模型选型、RTC、线路调研与实战记录。
全部原文
HOMER 7 CLI：从 SIP 查询到通话排障
完整手册、可复制命令、多 FreeSWITCH 通话关联、AI 无声排查、查询完整性与 UDP 分片证据。
呼入导航后 AI 无声质检：脚本与多模态实战
完整安装命令、单通与批量脚本、双声道样本、按键与 AI 接管判定、模型分轨复核及结果说明。
SIPVicious 使用与内部测试：命令、场景与结果
掌握服务发现、分机枚举、测试账户认证与报告导出，分清 SIP / RTP 边界。
Sipnab 使用与实战：排查 SIP / RTP 通话
用六组抓包实验关联信令与媒体，核对丢包、乱序、单向音频和静音载荷。
AI 客服多 FreeSWITCH 语音质量监控
面向 MiniMax TTS + 多 FreeSWITCH 桥接的单侧卡顿定位，含 HOMER/HEPipe、VoIPmonitor 两套安装操作手册。新增 11 组消融实验、16 类故障/正常对照、8 步执行流程、独立金标和配对统计、零依赖离线评分器及空白结果 CSV。区分证据信息增量、组件运行开销和主动探针覆盖；真实质量结果待实测。网页保留 48 条精确来源。
FFmpeg + Silero VAD 生产实战 · 无声判定与 Spring Boot 集成
本机真实跑通 FFmpeg 规范化 + Silero VAD 6.2.1 五次新进程、模型冷加载运行：9.24s 双话轮在 100ms 间隔下拆出 2 段、1000ms 下合并为 1 段，JIT/ONNX 时间戳一致；8k 电话可重采样检出人声，48k 双声道纯静音返回 0 段。在此基础上新增用户/AI 分轨、EOU、动态应答窗口、TTS/RTP/播放 Trace、电话金标，以及 Spring Boot 的离线 Python Worker、实时 PCM Provider、Java ONNX 迁移门禁、幂等任务和 Micrometer 设计。实测与参考设计分开标注。
全双工打断、AEC 与回声自触发
生产验证专题 04/08。代码审计确认现有 Speech Gateway 能用 generation 隔离打断后的旧 TTS，但 Go、Java 与 media-core 链路没有 AEC、播放参考或 double-talk 判定；Duplex Trace 的 120ms 是脚本剧本，不是真实电话测量。新建 8kHz / 20ms 确定性基准，覆盖 16 个场景、32 次运行：Naive 在 6/6 纯回声场景自触发，reference-aware guarded 降至 0/6，并以 20ms 检测代价完成 5/7 个有效插话；低声和参考缺失两项漏检被明确保留。所有信号均为合成，不代表设备或厂商排名。
RAG 知识变更治理与质量漂移
生产验证专题 08/08。把活动知识从原地覆盖升级为不可变 snapshot + Manifest + CAS active pointer；本地基准验证最新 tombstone 跨回滚继续覆盖、ACL 收紧后旧授权与缓存失效，并把 data / retrieval / generation / business shift 四类漂移分开。零依赖基准覆盖 18 个场景、36 次对照、104 条断言和 300 个 trace event：Guarded 18/18 通过，Naive 17/17 阳性故障全部被识别，32/32 测试通过。强制 ACL 跨回滚仍是待验证的生产设计；没有真实向量库、Embedding/LLM、生产语料、线上流量、租户系统或真人标注，不能外推 RAG 质量、延迟、成本或安全率。
大模型工具调用与事务一致性
生产验证专题 03/08。把 tool call 从“格式像对了”推进到最终状态一致：本地审计确认现有 Qwen scorer 只看第一条调用，第一条查询正确、第二条偷偷取消订单仍得 1.0；新建零依赖事务基准覆盖 required/type/enum、全部调用、依赖顺序、超时重试、幂等、Saga、Outbox 和消费者去重，共 14 个场景、19 次运行。guarded 通过 14/14，naive 五个高风险对照通过 0/5。当前无通用本地模型且跳过云密钥，因此比较的是编排策略，不是模型排名。
端到端语音 Agent SLA 与无密钥故障注入
生产验证专题 06/08。端到端 SLA 必须直接从每个话轮的“用户声学结束→扬声器实际起音”计算，不能把 ASR、LLM、TTS 的 p95 相加。新建零依赖确定性基准，14 个场景、28 次对照、72 条话轮和 275 个统一 trace event：Guarded 14/14 守住分母、revision/generation gate、deadline、429、retry budget、熔断、fallback 与 UNKNOWN 对账；Naive 11/11 阳性对照全部被击穿。毫秒数均为合成输入，不代表真实 SIP/RTC 或厂商 SLA。
AI 会话录音无声质检专题｜本地调研报告
面向离线 AI 语音会话录音的无声问题质检：把检测单元定义为应答机会，按双轨/单轨数据条件组合 FFmpeg、VAD、ASR、说话人分离、文本与音频大模型，并用 T0–T10 日志瀑布区分 EOU、ASR、LLM、工具、TTS、RTP、播放和录音故障。含五种方案、工程伪代码、社区个案、金标与 POC 门禁。
人工接管、坐席辅助与通话后处理
生产验证专题 07/08。把“转人工”拆成 queue/context/human/ownership 四类确认，把坐席辅助限制为可拒绝、受权限约束的草稿，把通话后摘要还原为 claim→source→review→approval→幂等 CRM write。新建零依赖状态机，18 个场景、36 次对照与 14 条固定不变量：Guarded 18/18 通过，Naive 18/18 阳性故障全部被识别，完整成功链和 HANDOFF_FAILED→FALLBACK 均覆盖。没有真实 ACD、坐席、CRM 或真人通话，不能外推转接率、AHT、生产率或摘要准确率。
AI 评测可信度：Golden Set、打分器校准与统计显著性
生产验证专题 01/08。把评测从排行榜还原为测量系统：四层 Golden Set 隔离、自动评分器反例套件、LLM Judge 盲化校准、逐题配对与 cluster bootstrap、多重比较及五道发布门禁。本地代码审计确认 Qwen mock 的模型名“122b”误命中关键词“12”，令知识维度虚增 8.33 分、总分虚增 2.50；350 条记录中 244 条为 mock（69.7%），因此现有资产只能验证管线，不能形成生产选型排名。
伶鹊技术架构重构 · 从电话接入到对话领域模型
沿一通电话的生命周期，用十个互补视角重构产品边界、实时语音、话轮状态、快慢路径、对话编排、外呼/呼入和训练机制。
Archify 使用方案：技术图生成 Skill 的全玩法实测与三轮 CR
Archify v2.12.0（零 npm 依赖、Node ≥ 18）全玩法实测归档：architecture/workflow/sequence/dataflow/lifecycle 五种图型各出 1 张成品全部 9/9 通过 showcase 门禁；四套视觉预设 × trace 动画组合心得；doctor/validate/deliver/preview/demo/guide/compare 七个 CLI 命令验证；Architecture Delta 架构对比（加 EdgeOne Pages 前后对比回执 added 1/changed 1）。核心公式：描述 → Typed JSON → validate → deliver，校验不通过不交付，诊断带规则码+坐标证据。附 8 条实测避坑清单（CJK 标签宽度、lifecycle 回环大外环布线、删边优先于加 via 等）与 6 张可在线把玩的成品图。
diagram-design 研究报告：编辑级图表 Skill 的全维度调研与安全审计
GitHub 热门仓库 cathrynlavery/diagram-design 全维度研究：4 个月冲上 16,611 Stars（GitHub API 实测），产出无 JS 的自包含 HTML+内联 SVG 编辑级图表，27 种视觉类型 × 3 变体；品牌 onboarding 60 秒提取站点色板字体映射语义 token 并过 WCAG AA；draw.io/Mermaid 导入重绘四旋钮（格式/尺寸/细节/受众）。七项安装前安全审计全过：三脚本纯标准库零网络请求、无凭证读取、自带 XXE/解压炸弹防护与反提示注入条款，另附 self_check 产出物安全 linter。已锁定 v2.3.5（commit a5e3978）安装并 7 项实测全过。选型结论：贴品牌发文章选它，可探索带动效选 archify，两者互补。
DeepSeek-V4-Flash vs Qwen3.5-122B-A10B：同档 MoE 的「路线之争」
三轮迭代完成。284B/13B vs 122B/10B 同档 MoE 路线之争：AA Intelligence Index v4.1（Agent 口径）DeepSeek 0731 版 50 分大胜 Qwen 32 分，但 BenchLM 综合榜反转为 Qwen 59.6 领先 DeepSeek 51.5——两个榜测两种智能（干活 vs 考试）。核心差异：DeepSeek 押 Agent+1M 上下文+极致低价（AA Cost/Task $0.06 vs $0.68，11 倍），Qwen 押原生多模态（MMMU-Pro 76.9/OCRBench 92.1）+部署普惠（Apache 2.0、Mac 可跑）。含 6 张对比图、26 条信源、8 场景选型卡。关键发现：0731 版 GDPval-AA v2 从 1189 飙至 1559 Elo（开源第二）、幻觉率从 96% 降至 84% 仍是短板；Qwen 的 AA 分数下降主因 v4.1 评测口径转向而非模型退步。
DeepSeek-V4-Flash 深度调研：架构 / 基准 / 价格 / 部署
三轮迭代完成。284B MoE / 13B 激活 / 1M 上下文的性价比旗舰：CSA+HCA 混合注意力让 1M 上下文 KV 缓存降到 GQA8 基线约 2%（FLOPs -73%）；官方已把 deepseek-chat/reasoner 全量路由到 Flash，2026-07-31 正式版（0731）上线、Agent 基准官方口径反超 Pro-Preview（Terminal Bench 2.1 82.7）。基准：SWE Verified 79.0 / GPQA 88.1 逼近 Pro，但 SimpleQA 34.1 + AA 幻觉率 96% 是最大短板；AA 智能指数 47、全套测评成本仅 $113（Pro $1071）。价格 0.02/1/2 元，含峰谷定价（高峰×2）与 token 膨胀两个成本暗坑；自部署 FP8 2×H20 可跑、INT4 约 140GB；含竞品横评（Kimi K2.6/GLM-5.1）、速度实测（官方 99 t/s、首延迟 13.7s）与七类场景选型表。
DeepSeek-V4-Flash 水分核查：官方宣称 vs 独立实测 vs 社区真实口碑
三轮迭代完成，深度调研姊妹篇。逐条给官方宣称打水分评级：性价比故事无水分（AA 独立测算 $113 跑完全套、连 NIST 都认便宜）；编码基准打七折（自家 harness+偏松验证器，BenchLM 聚合仅 58/100 第 73 名）；1M 上下文营销大于实用（本地 A/B 实测 1M 与 262K 结果相同、Cursor 截到 200K）；幻觉率 96% 官方只字未提。最硬核定量：NIST CAISI 预注册盲测显示自报基准口径落后美国前沿 2 个月、未污染基准 8 个月——自选基准虚高 6 个月代差（ARC-AGI-2 46 vs 79）。含 DeepSWE 榜单罗生门（黑它的榜自己也被审计出成本虚高 5×/effort 不公）、五张对比图（叙事差/幻觉率/成本/AA 指数/CAISI）、分场景社区口碑表（opencode 极好评 vs SillyTavern 差评 vs 知乎工具调用吐槽）。
社区 Agent Skills 生态梳理：装机必备 / 分场景推荐 / 安全审计流程
基于 skills.sh 官方实时榜单（Vercel 出品）+ 3 个独立中文评测信源交叉验证。装机必备四件：find-skills（280 万安装榜首入口）、obra/superpowers（4 万+ Stars 全流程 TDD 工作流）、skill-creator、官方办公四件套；前端最卷赛道三件叠加（frontend-design 72.5 万 + web-design-guidelines + ui-ux-pro-max）；mattpocock 系霸榜前十一半（grill-me/tdd/handoff）；browser-use 省 80%+ token；国内飞书全家桶 1900 万+ 安装断层第一。附两张榜单对比图、四套社区验证组合、Skills vs MCP 辨析，以及装任何 Skill 前必须走的四步安全审计固定流程（Snyk：约 36% 第三方 Skills 有提示注入风险）。
语音 Agent 编排框架与端到端语音模型选型
三轮迭代完成。补齐报告矩阵中心空洞：开源五强（LiveKit Agents/Pipecat/TEN/Vocode/Bolna）九维横评、商业四强（Retell/Vapi/Bland/Synthflow）实测数据对标；S2S 端到端 vs 级联九维对比得出“外呼 2026 仍应级联为主”：gpt-realtime 定价精算（~$0.05/min，未缓存长通话 2-5×）、Qwen3.5-Omni 113 输入语种最贴合业务、豆包端到端仅中英；含合成呼叫测试层（Hamming/Coval）与六场景决策速查。
asr-bench 实战 · 流式 ASR 批量评测框架跑通
本机 venv 起 asr-bench，macOS say 合成 12 条中文客服测试集，mock 适配器跑 24 次流式识别全部成功：首包 P50 251.1ms、尾包 P50 181.1ms、建连 P50 81.1ms。同时暴露一个必须知道的口径陷阱——mock 直接回参考文本，CER 恒为 0，只能验证管线不能验证精度。
smart-turn 实战 · 本地 ONNX 判停真实推理评测
全程真实推理，无任何 mock。自建 10 条正负样本（正 5 负 5，文本与标注严格对应），准确率 8/10，单次推理 P50 34.1ms。关键发现：负类 5/5 全对（模型抓语法未完信号很稳），正类只 3/5——长句与数字结尾被漏判成「没说完」，会让 AI 傻等；另有一条概率 0.4902 贴着 0.5 阈值。pytest 21 项全过。
tts-bench 实战 · 从零写流式 TTS 评测框架并实测
新建 tts-bench（零依赖标准库），用 macOS say 作真实本地 TTS 引擎跑 60 次合成。核心发现：把整段合成改成分句流式，首包只从 1064ms 降到 988ms（仅 7%），因为引擎固定开销约 950ms 完全主导（实测合成 1 个字 0.96s、88 个字 1.10s）；而总耗时反而涨 2.3 倍、分片间隔 1005ms 必然断音。
TTS 音色克隆全景调研 · 原理 / 用法 / 工程链路 / 知识体系
三轮迭代完成。主线判断：克隆已从“每人训一个模型”进化为大模型上下文学习的副产品（VALL-E 3 秒 prompt 开创）；三条路线拆解（AR codec LM / 流匹配 NAR / 说话人嵌入）与混合架构为何成工业主流；三条实操路径（API 快速复刻 / 开源零样本 / GPT-SoVITS 1 分钟微调）含可运行示例；工程重点不在克隆而在音色资产生命周期（授权存证、MiniMax 168h 回收、火山 V3 跨产品复用、降级预案）；反直觉发现：零样本克隆对在线延迟几乎零影响、识别更准的 ECAPA 嵌入克隆反而不如联合训练编码器；含 seed-tts-eval 评测体系、克隆诈骗/侵权/水印攻防、中国标识办法（2025-09-01）合规 checklist 与四阶段学习路径 + 10 道自测题。
MiniMax 音色克隆实操 · 小白从零复刻一个声音并评测
官方文档逐参数核对的双路线实操指南：网页版 MiniMax Audio 零代码 10 分钟出克隆音色；API 版 3 接口（上传→复刻→合成）含 curl 与 Python 一键脚本。关键机制：9.9 元音色费首次正式合成才扣、试听只按 2 元/万字符计、复刻后 7 天不用回收、text_validation 可防传错文件。配套评测三级跳：盲听 ABX → whisper+jiwer 算 CER → speechbrain ECAPA 算声纹相似度，脚本可直接跑。未实测部分：API 全程需本人实名认证账号（预算约 10 元）。
话术工程与对话设计
三轮迭代完成。六层体系：语音≠文本的七大差异（归一化/单次通过性/口语反向污染工具）→ 六段式提示词框架（≤2000 token）→ 对话流三范式（推荐混合：LLM 管表达、代码管规则）→ 外呼话术结构学（Gong 300M 通话：许可式开场 11.2% 为弱开场 5 倍，前 10 秒定生死）→ 异议处理库与防跑偏四层纵深（LiveKit 范式）→ 多语种本地化与 A/B 迭代体系；含延迟掩护五技（感知 750→350ms）与 AI 披露法规（FCC 2024 裁定）两块深挖。
大模型场景知识体系建设
三轮迭代完成。九厂商知识体系横评（阿里百炼评测线上化、腾讯 ADP 解析为王、字节 Viking 知识+记忆一体、百度知识中台知识运营、蚂蚁 KAG 图谱+向量双向增强政务准确率 91%、NVIDIA 把飞轮做成 NeMo 产品、kapa.ai 100+ 团队铁律）；9 个头部案例实测数据（招行智本GPT 人工替代率 50%+、酒店集团 60%→95%+、长安 85%）；四条知识挖掘管道、可直接抄的分块/混检参数、Golden Set 50/25/15/10 配比与 LLM-as-Judge 四偏差对策、飞轮闭环五步与反转风险、八大失败模式清单及 90 天三阶段落地路线图。
knowledge-mining-lab 实战 · 知识挖掘全链路本机跑通
零依赖六步流水线真实跑通：4 文档分 18 块、24 通会话脱敏去噪挖出 20 条 QA、锚定校验后聚合成 14 条知识条目 + 5 组带优先级知识缺口；对照评测硬结论：挖掘 QA 把口语查询 Hit@1 从 0.938 提到 1.0。二期升级生产级版 knowledge-mining-pipeline：错误码体系/三环境配置/轮转日志/p95指标/令牌桶限流/熔断/指数退避/隔离区/质量门禁/SQLite 两级断点续传全部实测——注入 35% 故障重试全恢复，--fail-at 演练后 --resume 缓存命中 5 条不重复调 LLM。
语音 Agent 冷启动数据飞轮
三轮迭代完成。四个冷启动死循环的破局：公开数据集+TTS 合成+影子模式三条供给（学术实测：48 分钟真实音频加合成后 WER 降 14.3 个点）；合成数据四条纪律（1:1 比例上限、多样性优先于语义连贯、必做 8k 信道模拟）；五条并行飞轮按“见效速度×标注成本”排序；二轮修正 ASR 门槛（LoRA 1–3 小时即可、术语 WER 降 30–60%）；模型崩溃真相（replace 范式才崩、accumulate 不崩）；训练合规硬门（DUAA 2025 Article 8A、模型无法反训练）。
qwen-bench 实战 · 客服四维度评测管线与成本口径验证
5 个千问模型 × 44 题跑通 mock 全流程（220 次调用），四维打分、ttft/ttfa 双延迟口径、千通会话成本折算全部验证通过。意外抓出一个真实评测也会中招的打分器 bug：模型名「qwen3.5-122b」里的“12”被当成命中答案关键词，白拿 8.33 分直接翻转排名。成本口径实测相差 6.6 倍，且与参数规模不同向。
自研 RTC 架构设计指南 · RTC 专题中心
自研全链路拆解：WebRTC 协议栈分层（ICE/STUN/TURN 的 NAT 穿透机制、coturn 生产部署要点、企业网 TURN 占比可达 85% 的反直觉事实）、SFU vs MCU vs P2P 架构决策（含级联 SFU 与 Cloudflare Anycast 树状方案）、编解码选型矩阵（Opus 一统音频、视频 H.264/VP8 打底 + VP9/AV1 渐进、AV1 比 VP9 再省 30-50% 带宽但编码开销大）、libwebrtc 魔改 vs Pion/自研栈的三条路线成本对比、信令/媒体/数据三平面架构图与自研难度分级评估。
RTC 厂商解决方案横向评测 · RTC 专题中心
三梯队全景横评：国内四强（腾讯 TRTC 300ms 全球端到端/阿里 ARTC 与钉钉同底座 150ms/华为 SparkRTC 200ms/火山 veRTC 主打 AI 对话）、国际四家（Agora SD-RTN 边缘覆盖最成熟但账单陡峭、Twilio Video 曾宣布退市后又保留的反转、Amazon Chime SDK ~$0.0017/分钟、Zoom Video SDK 接盘 Twilio 迁移）、开源五强（LiveKit/mediasoup/Janus/Jitsi/Pion 定位与规模化差异）；附东南亚/拉美本地化策略对比、定价精算表与六场景选型决策树。
全球 RTC 基础设施对比：东南亚 + 南美深度 · RTC 专题中心
两区域 RTC 地基全景：运营商格局（东南亚国家级三强 vs 拉美 América Móvil/Telefónica 双巨头跨国控盘）、移动网质量实测（Opensignal/Ookla：新加坡与巴西领先、菲律宾/印尼多岛国延迟高企）、数据中心版图（新加坡暂停新建后雅加达/柔佛承接外溢，拉美 38% 容量在巴西）、海缆与 IXP（Bifrost/Echo 290Tbps 上线、巴西 IX.br 全球最大 IXP 之一）、七国监管合规矩阵与 RTT/丢包/抖动基准表。
东南亚 + 南美 RTC 部署实践指南 · RTC 专题中心
从选址到调优的部署实操：区域 PoP 选址决策（新加坡=东南亚锚点、圣保罗=拉美锚点、雅加达/马尼拉/墨西哥城何时加节点）、分国延迟预算表与实测路径分析（马尼拉→新加坡 ~50ms、圣保罗→迈阿密 ~120ms）、移动弱网四大对策（印尼/菲律宾 4G 抖动、拉美 CGNAT 高 TURN 占比）、合规部署红线（印尼 PDP/越南三法叠加/巴西 LGPD）、云厂商区域可用性对比与三阶段渐进部署路线图。
RTC 性能优化专项：延迟与稳定性攻关 · RTC 专题中心
端到端延迟逐段拆解（采集→编码→发送→传输→抖动缓冲→解码→渲染，各段预算与压缩手段）、拥塞控制深挖（GCC 双控制器原理/transport-cc/BBR 替代实验结论）、抗丢包三板斧组合策略（NACK 低延迟场景优先、FEC/RED 高 RTT 场景优先、关键帧请求 PLI 兜底）、NetEQ 抖动缓冲机制解剖、自适应码率与 simulcast/SVC 分层策略、跨境传输优化五层手段（专线回源/中继选路/协议优化/边缘接入/多路径），附各优化项收益-成本对照表。
RTC 质量保证与监控体系 · RTC 专题中心
把「能跑」变成「可运营」：QoS/QoE 指标体系分层（网络层 RTT/丢包/抖动 → 媒体层码率/帧率/卡顿 → 体验层 MOS/进房成功率/秒开率）、getStats 采集与 rtcstats 开源方案落地、告警阈值基准表（丢包 >5% 降级、RTT >400ms 切节点）、灰度与拨测体系（合成呼叫探针 + 真实用户监控双轨）、弱网实验室搭建（tc/netem 损伤注入 + 自动化回归）、大厂质量运营实践（Agora 水晶球/TRTC 仪表盘对标自建方案），附从 0 到 1 的监控体系四阶段路线图。
STUN / TURN 自建部署调研
三轮迭代完成。核心边界：PSTN/SIP 外呼链路不需要 TURN，星型架构（客户端↔公网 SFU，ICE-Lite）多数直连，TURN 只兜底网页座席/App/真 P2P；纯音频中继流量常仅数十 GB/月 → Cloudflare TURN（$0.05/GB、前 1TB 免费、Anycast，ICEPerf 实测 17.9ms vs Twilio 139.6ms）比自建更划算，自建的真实理由是视频 TB 级流量、固定出口 IP 白名单、数据不出境与区域覆盖（Twilio 新加坡 $0.60、圣保罗 $0.80/GB）。自校验推翻厂商容量口径：1Gbps 机器标称“1 万路音频”反推正好打满网卡，视频“1000 路”反推 3Gbps 不成立。含 coturn 4.15+ 生产配置与加固模板、443 SNI 共存、多区域竞速式 HA（Redis≠会话共享）、CVE 时间线与十条教程陷阱。
电话线路延时测试全景：指标体系 / 业内方案 / 工具 / 全流程实操
三轮迭代+本机实操完成。核心框架：四层测量模型（L1 网络 ICMP/mtr/TWAMP → L2 信令 SIP OPTIONS → L3 会话 PDD=INVITE→18x → L4 媒体口对耳延时）；五个延时口径辨析与 G.114/RTCP-XR/TWAMP 标准依据；三大圈子方案（批发在国拨测 Cyara/Klearcom、呼叫中心 Sipfront/Twilio Insights、AI Agent turn latency Hamming/Coval）；17 款工具全景表（推荐 voip_patrol 的 tone_detected_ms+min_mos 做 CI 化线路回归）；本机真实跑通四层 Lab：SIP OPTIONS 实测 Telnyx 325ms/iptel 317ms 与 sipsak 交叉验证一致，chirp 互相关算法四档延时估计误差 0.00ms；八大陷阱（假振铃/FAS/回环对称假设/抖动缓冲隐藏延时）与 T0-T4 新线路准入到生产监控 Playbook。
境内购买东南亚/南美电话卡与端到端线路测试渠道
三轮迭代完成。买卡四档渠道对比（淘宝旅游卡/专业卡商/港澳中资运营商/当地伙伴实名办卡）与七国实名制现状表（越南 2026-04 起 VNeID 生物识别收紧、巴西 TIM 唯一仅护照可办、墨西哥 PANAUT 违宪废除后插卡即用）；关键原理：境外 SIM 在国内漫游接听=可用的被叫端代理（呼叫仍终结到目的国运营商）；测试三层组合：自建 DID 回环拨测（PDD/CLI/音质日常回归）+ 真机 SIM 抽测（CLI 形态与 Truecaller 标记）+ 商业在国拨测平台（Cyara Voice Assure 71 国 / AB Handshake TCG / iTest / SIGOS）；含 eSIM 纯流量陷阱与 SIM box 红线警示。
AMD 答录机检测与外呼拨号策略
三轮迭代完成。外呼成本隐形黑洞首次专题化：AMD 原理（问候语时长统计学+哔声检测）与商业/开源七方案横评——Infobip 西/葡语市场 ~95% 是拉美直接利好，Twilio 国际精度衰减需盲测；拨号四模式与 FCC 3%/30 天弃呼红线、接通率城塔（25-30%→8-12%）与 STIR/SHAKEN 连锁；AI 外呼改写 pacing 数学但不豁免法规（巴西 0303/REPEP 衔接）；含 P0-P2 落地路线（异步 AMD→mod_amd→YAMNet+RNN 自训）。
号码信誉与触达率工程
三轮迭代完成。Spam 标记生态三层解剖（Hiya 管 T-Mobile/三星、TNS 管 AT&T、First Orion）与七大触发因素阈值（单号 >100 通/天入侦测、<10s 短通话、5–10 个投诉）；号池数学（50–80 通/号/天）+ 暖号曲线（10–14 天）+ 主动退役三件套；轮换派 vs 治理派立场并陈；branded calling 与巴西（全球骚扰电话最多国）/东南亚 Truecaller/中国标记生态本地化；揭示 AMD 假阳性↔信誉伤害闭环。
WhatsApp/消息渠道与语音组合触达
三轮迭代完成。东南亚/拉美消息渠道版图（巴西 98% 装机、越南 Zalo/泰国 LINE 两大例外）与 WhatsApp 类目定价（utility $0.004–0.046/条）；重磅：WhatsApp Business Calling API 可把语音直接路由到 AI Agent（wss 媒体流）——品牌名显示、绕开 PSTN Spam 生态、Meta ~$0.015/min，限制是呼出需 opt-in；给出 PSTN→utility 消息→WhatsApp 内回呼的 cadence 编排与三线合规并行方案。
AI 外呼全链路单通成本模型
三轮迭代完成。把 17 篇报告的单层价格汇总成可算账模型：七层成本拆解（线路/ASR/EOU/LLM/TTS/编排/质检）、四条架构路线 per-minute 对比（全 API 级联 $0.05–0.11 vs 自建 $0.03–0.08 vs 商业平台 $0.07–0.31）；独特视角：接通率修正后的“每有效对话成本”——接通率工程对总成本影响大于任何模型层选型；含月 10 万分钟场景测算与 L1–L7 优化杠杆清单。
通话质检合规与语音 Agent 安全
三轮迭代完成。三块空白一次补齐：① LLM 全量质检（三代演进 + Hamming 四层观测 + containment/TSR/TTFW 基准，两级漏斗压成本）；② 录音存储合规六辖区表（LGPD 必要期限/美国全员同意/分级 TTL 设计）；③ OWASP LLM Top 10 语音版全映射 + 声音克隆欺诈攻防双向视角（$35M 骗案/声纹不作唯一因子）；级联文本中间层 = 质检+脱敏+校验+审计四合一防线，含 P0 上线检查清单。
大模型 Prompt 调优：从小白到大师
三轮迭代完成。把 OpenAI/Anthropic/Google 官方指南、《The Prompt Report》等学术综述与社区实战整合成 L1-L5 进阶体系：L1 指令七要素与 26 原则精选 → L2 Few-shot 三大陷阱（格式>标签正确性/顺序敏感/多数标签偏差）与 XML 结构化 → L3 CoT/自一致性/ToT/ReAct 速查表及推理模型时代大转弯（o1/GPT-5 上 CoT 咒语反而有害）→ L4 评估驱动与自动优化（APE/OPRO/DSPy/GEPA，Prompt Report 作者人工 20 小时输给自动优化器）→ L5 上下文工程与提示注入防御；含十条反直觉发现、各家模型脾气速查与 90 天学习路线图。
开源 ASR 权重模型选型与私有化部署
FireRedASR2 / Qwen3-ASR 等开源权重模型与腾讯云/阿里云/微软 API 精度对比（普通话 CER 2.89% 反超 Doubao），含硬件门槛、自建 vs API 盈亏平衡测算与两套可落地搭建方案；二轮深化新增东南亚/拉美语种开源 ASR 选型章（Whisper v3/GigaSpeech 2/榜单陷阱）；并澄清 MiniMax 无公开 ASR API。
EOU 选型调研 · 东南亚 + 南美语种
面向印尼/越南/泰/马来/菲律宾语与拉美西语/巴西葡语的 EOU 模型选型：语种×模型覆盖矩阵（Smart Turn/LiveKit/Flux/Soniox），泰马菲三语断层分析，分语种落地方案与自训补齐路径；二轮深化新增泰马菲自训数据清单（SEACrowd/GigaSpeech 2/Common Voice/业务回流优先级）。
流式 TTS 全景调研 · 技术栈 / 难点 / 厂商方案 / 学习路线
28 章全景：30 年架构演进时间线、双向流式协议帧级解剖、毫秒级延迟预算（1800ms→620ms）、17 项难点×解法与 12 条反模式、国内外厂商与开源方案横评、价格与自建盈亏平衡、时间戳口型对齐、端侧离线方案、合规标识；附 3 分钟选型决策树、四阶段学习方案、术语对照表与 30 道自测题。
Media Center 语音中控降噪与声纹锁定对接方案 · 调研中心
基于 FreeSWITCH + Java 中控的声纹/降噪对接选型：sherpa-onnx Java API 进程内声纹+GTCRN，RNNoise 落位 FreeSWITCH 层，TSE 声音锁定走 gRPC sidecar；含 Java 对接事实核查与 P0-P3 落地路线图。
南美/拉美外呼线路调研 · 调研中心
拉美优质直连 ASR 40–55%、单价 $0.020–0.060/min（比东南亚更贵、接通率更低）；本地 CPaaS Zenvia/Sinch-Wavy 强势，América Móvil+Telefónica 掌控超 70% 移动接入；重点揭示巴西 2025 年监管巨变（0303 前缀 8/7 被撤销、Verified Origin 11/15 强制生效）与墨西哥 REPEP 罚款风险；国内云厂“有云无线路”。附拉美 vs 东南亚十维度对比。
千问全系列模型对比与客服/外呼场景评测方案
Qwen3.5/3.6/3.7 三世代 13 个模型（含 2 个端到端语音）的参数、激活参数、架构、上下文与价格全表；揭示 τ²-bench 87.9%（全球第2）与 τ³-Banking 9.8%（榜末）的反差含义；给出意图/工具调用/幻觉抑制/语音适配四维度 44 题评测方案与可真跑的 qwen-bench 工具，附三层分工架构与四条淘汰线。
东南亚 + 南美可用大模型调研：自部署与商业 API
三轮迭代完成。SEA-HELM 官方榜单 14 模型×7 语种实测（Gemma 4 31B 榜首 75.16、SEA-LION v4.5 27B 次之；缅甸语上 Nemotron 仅 6.11 的断崖）；三云区域可用性对比揭示反直觉结论——Azure 巴西 128 模型/11 厂商 vs Azure 东南亚 38/2，同一个新加坡 Vertex 51 个 vs Bedrock 18 个；汇总 SEA-LION/Typhoon/Sahabat-AI/PhoGPT/LatamGPT/AMÁLIA/Salamandra 等区域主权模型；含中国厂商海外节点、七国合规、9 模型自部署显存测算、延迟预算与 8 国落地路径。
东南亚外呼线路调研 · 调研中心
以 Twilio/Vonage/Infobip 为质量基准（ASR 45–60%、PDD 2–5s、MOS 3.7+），核实火山/阿里/腾讯/CMI 在东南亚的真实线路能力，梳理新加坡/越南/菲律宾/印尼合规风险。
伶鹊架构全景 · 千问对话领域模型
保留原始八图版本：沿一通电话串起平台分层、快慢脑、音义一体、训练管线以及外呼与呼入链路。
EOU 模型专题 · 话轮结束检测全景
LiveKit / Smart Turn 等开源方案与商业方案对比，围绕语音客服三场景给出话轮结束（End-of-Utterance）检测的落地建议。
外呼记忆知识图谱专题 · 长短期记忆架构分析
外呼场景的长短期记忆架构分析，用知识图谱组织客户画像与对话记忆，支撑多轮外呼的上下文延续。
主流大模型 Function Call 支持对比 · 千问 / GPT / Gemini + 语音模型专题
千问 / GPT / Gemini 等主流模型的 Function Call 能力对比，覆盖同步/异步调用与语音模型专题，18 信源交叉验证。
腾讯系 AI 大模型产品深度调研 · Buddy 家族 / 混元 / 架构 / 内部数据
腾讯 Buddy 家族与混元大模型产品线梳理，含技术架构与内部数据，评估其在对话/客服场景的能力与定位。
AI 客服与 AI 外呼承接语 · 语义桥梁、动态判停与话权控制
先分清两类“嗯、好的”：一个继续听，一个开始做 · 承上启下不是修辞，而是三段可校验语义 · Grounding · 承上 · Action projection · 承接
多 FreeSWITCH 语音质量监控参考架构
多 FreeSWITCH 语音质量监控参考架构 · 图中事实边界 · 复杂度取舍
没有找到匹配原文
试试更短的关键词，或点击“重置”恢复全部原文。